BAB II TINJAUAN PUSTAKA. Data panel adalah gabungan dari data cross sectional dan data time series, dimana

BAB II

TINJAUAN PUSTAKA

2.1 Pendahuluan

Materi tentang data panel diambil dari Gujarati (2003) dan Judge (1985). Data panel adalah gabungan dari data cross sectional dan data time series, dimana dalam data panel unit cross sectional yang sama diukur pada waktu yang berbeda. Persamaan pada regresi multiple untuk data panel adalah sebagai berikut:

)

1

.

2

(

1 0



 







p it pit pit it it

X

Y







Dengan;

i : banyaknya unit individu ; i = 1,2,…,N

t : banyaknya unit waktu ; t = 1,2,…,T

p : banyaknya variabel bebas ; p =1,2,…,K

Y it : nilai variabel tidak bebas individu ke-i waktu ke-t 0it : konstanta (intersep)

Xpit : nilai variabel bebas ke-p untuk individu ke-i waktu ke-t

pit : parameter ke-p untuk individu ke-i waktu ke-t

it : unsur gangguan/galat populasi untuk individu ke-i waktu ke-t

Tabel 2.1 Struktur Data Panel

Individu Waktu Variabel

i t Yit X1it X2it ... XKit

1 1 Y11 X111 X211 ... XK11 2 Y12 X112 X212 ... XK12 ... ... ... ... ... ... T Y1T X11T X21T ... XK1T 2 1 Y21 X121 X221 ... XK21 2 Y22 X122 X222 ... XK22 ... ... ... ... ... ... T Y2T X12T X22T ... XK2T ... ... ... ... ... ... ... N 1 YN1 X1N1 X2N1 ... XKN1 2 YN2 X1N2 X2N2 ... XKN2 ... ... ... ... ... ... T YNT X1NT X2NT ... XKNT

2.2 Model Regresi untuk Data Panel

Menurut Judge (1985) ada beberapa model regresi untuk data panel. Alternatif model tersebut disajikan pada Gambar 2.1.

Gambar 2.1 Diagram Alternatif Model untuk Data Panel Intersep bervariasi akibat perbedaan individu 0 , 0 0    p p pit i it     Intersep bervariasi akibat perbedaan individudan perubahan waktu 0 , 0      p p pit i i it       Intersep bervariasi akibat perubahan waktu 0 , 0 0    p p pit t it     Slope bervariasi akibat perbedaan individu Slope bervariasi akibat perbedaan individu dan waktu Semua koefisien konstan

(CEM)

Slope koefisien konstan, intersep bervariasi /berubah

Slope koefisien bervariasi / berubah i 0  fixed (FEM) i 0  random (REM ) t 0  fixed (FEM) t 0  random (REM) it 0  random (REM) it 0  fixed (FEM) Fixed SUR



     1 0 p it pit pit it it X Y    REM Random Hsiao

Model pertama disebut dengan common effect model (CEM) yang merupakan regresi OLS biasa. Model kedua adalah fixed effect model (FEM) yang mengasumsikan bahwa koefisien peubah bebas bersifat fixed atau tetap, baik setiap individu maupun waktu pengamatan, model FEM menggunakan penaksir LSDV (Least Square Dummy Variable). Model ketiga disebut random effect model (REM) atau error correction model (ECM), yang mengasumsikan bahwa koefisien regresi bersifat acak atau random, model REM menggunakan penaksir GLS.

2.2.1 CEM (Common Effect Model)

CEM adalah model dengan semua koefisien konstan, dimana parameter ditaksir seperti pada regresi biasa dengan menggunakan metode OLS, asumsi dari metode ini didasarkan bahwa baik intersep dan slope dianggap sama untuk tiap waktu dan individu. Adapun persamaan model ini adalah:



 







1 0 p it pit p it

X

Y







; i = 1,2,…,N; t = 1,2,…,T; p =1,2,…,K (2.2) Atau it it it it it X X X Y  ₀ _{1 1} _{2 2} ..._{ }  (2.3) Bentuk matriksnya:                                                                                                                                           NT i i T T K KNT NT NT Ki i i Ki i i T K T T K K T K T T K K NT i i T T X X X X X X X X X X X X X X X X X X X X X X X X X X X Y Y Y Y Y Y Y Y Y                                                    2 1 2 22 21 1 12 11 2 1 0 2 1 2 2 2 2 1 1 1 2 1 1 2 22 12 22 222 122 21 221 121 1 21 11 12 212 112 11 211 111 2 ` 1 2 22 21 1 12 11 1 1 1 1 1 1 1 1 1

Persamaan (2.3) adalah analisis regresi untuk populasi, sedangkan regresi untuk sampelnya adalah sebagai berikut:

it it it it it X X X e Yˆ 



ˆ₀ 



ˆ_{1 1} 



ˆ_{2 2} ...



ˆ_{ }  (2.4)

2.2.2 FEM (Fixed Effect Model)

Pada model FEM intersep dan slope dapat dibedakan berdasarkan individu dan waktu. Dalam membedakan intersep dan slope pada setiap model, digunakan alat bantu berupa dummy variable. Berikut adalah beberapa jenis model FEM:

1) Model FEM dengan koefisien slope konstan dan intersep berbeda pada individu. Persamaan untuk model ini adalah:



 







1 0 p it pit p i it

X

Y







; i = 1,2,…,N; t = 1,2,…,T; p =1,2,…,K (2.5)

Jika efek_imenjadi bagian dari intersep yaitu fixed maka dinamakan FEM, adapun persamaanya sebagai berikut :





i i K p it pit p i it X Y             



 0 1 (2.6) Asumsi :



2





2



, 0 ~ , , 0 ~    _i  _{it i} 

dengan;  : rata-rata intersep (konstan)

i

 : efek individu ke-i

Penaksir model (2.6) dapat dilakukan dengan menggunakan dummy

variable untuk individu. Model penaksir ini seringkali disebut dengan teknik

LSDV. Metode ini tidak lain adalah metode OLS biasa hanya saja koefisien

intersep untuk setiap individu berbeda. Apabila memasukkan dummy variable

N  N t it it it t it it i p pit it i it

X

X

D

D

Y

X

D

Y













































        





...

...

_{1 1 1 1} 1 1 1 1 _(2.7)

Taksiran parameter yang dihasilkan dari persamaan (2.7) sebanyak (N-k), yaitu = 𝜹





ˆ



ˆ₁



ˆ₂ 



ˆ_N₁



ˆ₁



ˆ₂ 



ˆ_K



dengan nilai 𝜹 dapat di

selesaikan dengan OLS sebagai berikut: 𝜹

= 𝑿′𝐷𝑿𝐷 −1 𝑿′𝐷𝑦 (2.8)

Taksiran parameter diatas berlaku juga untuk model FEM yang lainnya, hanya saja berbeda dalam pendummyannya.

Adapun struktur datanya adalah sebagai berikut:

Tabel 2.2 Struktur Data Model FEM dengan Koefisien Slope Konstan dan Intersep

Berbeda Tiap Individu

individu waktu Variabel bebas

i t D1t D2t ... D(N-1)t X1it X2it ... XKit

1 1 1 0 ... 0 X111 X211 ... XK11 2 1 0 ... 0 X112 X212 ... XK12 ... ... ... ... ... ... ... ... ... T 1 0 ... 0 X11T X21T ... XK1T 2 1 0 1 ... 0 X121 X221 ... XK21 2 0 1 ... 0 X122 X222 ... XK22 ... ... ... ... ... ... ... ... ... T 0 1 ... 0 X12T X22T ... XK2T ... ... ... ... ... ... ... ... ... ... (N-1) 1 0 0 ... 1 X1(N-1)1 X2(N-1)1 ... XK(N1)1 2 0 0 ... 1 X1(N-1)2 X2(N-1)2 ... XK(N-1)2 ... ... ... ... ... ... ... ... ... T 0 0 ... 1 X1(N-1)T X2(N-1)T ... XK(N-1)T N 1 0 0 ... 0 X1N1 X2N1 ... XKN1 2 0 0 ... 0 X1N2 X2N2 ... XKN2 ... ... ... ... ... ... ... ... ... T 0 0 ... 0 X1NT X2NT ... XKNT

2) Model FEM dengan koefisienslope konstan dan intersep berbeda pada waktu. Persamaan untuk model ini adalah:



 







1 0 p it pit p t it

X

Y







; i = 1,2,…,N; t = 1,2,…,T; p =1,2,…,K (2.9)

Jika efek _t menjadi bagian dari intersep yaitu fixed maka dinamakan FEM, adapun persamaanya sebagai berikut :





t t K p it pit p t it X Y             



 0 1 (2.10) Asumsi :



2





2



, 0 ~ , , 0 ~   _ _t  _{it i} 

dengan;  : rata-rata intersep (konstan)

t

 : efek waktu ke-t

Apabila memasukkan dummy variable pada persamaan (2.10), maka akan diperoleh:   i  it it it i it it T t p p pit it t it X X D D Y X D Y                               





... ... _{1 1 1 1} 1 1 1 1 (2.11)

Adapun struktur data dan penaksirnya sama dengan Tabel 2.2 hanya saja berbeda dalam pendummyannya, yaitu dummy yang diperhatikan adalah waktu. 3) Model FEM dengan koefisien slope konstan dan intersep berbeda tiap individu

dan waktu.

Adapun persamaan untuk model ini adalah:



 







1 0 p it pit p it it

X

Y







_{; i = 1,2,…,N; t = 1,2,…,T; p =1,2,…,K (2.12)}

Jika efek i dan efek t menjadi bagian dari intersep yaitu fixed maka





t i it K p it pit p t i it X Y                 



 0 1 (2.13)

Apabila memasukkan dummy variable pada persamaan (2.13), maka akan diperoleh: it Kit K it it T i T i t N N t t it X X X D D D D D Y                         _{   }     2 2 1 1 ) 1 ( ) 1 ( 1 1 ) 1 ( ) 1 ( 2 2 1 1 (2.14)

Adapun struktur datanya disajikan pada Tabel 2.3.

Tabel 2.3 Struktur Data Model FEM dengan Koefisien Slope Konstan dan

Intersep Berbeda Tiap Individu dan Waktu

individu waktu Variabel bebas

i t D1t D2t ... D(N-1)t D*i1 D*i2 ...

D*

i(T-1) X1it X2it ... XKit

1 1 1 0 ... 0 1 0 … 0 X111 X211 ... XK11 2 1 0 ... 0 0 1 … 0 X112 X212 ... XK12 ... ... ... ... ... … … … … ... ... ... ... T 1 0 ... 0 0 0 … 1 X11T X21T ... XK1T 2 1 0 1 ... 0 1 0 … 0 X121 X221 ... XK21 2 0 1 ... 0 0 1 … 0 X122 X222 ... XK22 ... ... ... ... ... … … … … ... ... ... ... T 0 1 ... 0 0 0 … 1 X12T X22T ... XK2T ... ... ... ... ... ... … … … … ... ... ... ... (N-1) 1 0 0 ... 1 1 0 … 0 X1(N-1)1 X 2(N-1)1 ... XK(N1)1 2 0 0 ... 1 0 1 … 0 X1(N-1)2 X 2(N-1)2 ... XK(N-1)2 ... ... ... ... ... … … … … ... ... ... ... T 0 0 ... 1 0 0 … 1 X1(N-1)T X 2(N-1)T ... XK(N-1)T N 1 0 0 ... 0 1 0 … 0 X1N1 X2N1 ... XKN1 2 0 0 ... 0 0 1 … 0 X1N2 X2N2 ... XKN2 ... ... ... ... ... … … … … ... ... ... ... T 0 0 ... 0 0 0 … 1 X1NT X2NT ... XKNT

2.2.3 REM (Random Effect Model)

Greene (1997) mendefinisikan REM yaitu model regresi yang dilandasi bahwa unit individu dan unit waktu yang digunakan dalam model tidak ditentukan terlebih dahulu melainkan hasil pengambilan sampel secara acak dari suatu populasi yang besar. Metode untuk memodelkan data panel menggunakan REM yang mengandung pengaruh acak dari unit individu dan unit waktu menjadi lebih rumit dan kompleks. Gujarati (2003) menyatakan bahwa walaupun FEM secara langsung dapat diaplikasikan, namun model yang terbentuk memiliki konsekuensi kehilangan sejumlah derajat bebas galat seiring dengan banyaknya unit individu yang digunakan. Semakin kecil derajat bebas galat akan berpengaruh terhadap statistik uji F (cenderung bernilai kecil) sehingga peluang untuk menolak 𝐻₀ semakin kecil. Pada REM, resiko kehilangan derajat bebas galat tidak akan terjadi karena pemodelan REM tidak menggunakan dummy variable. Model REM menggunakan penaksir GLS.

2.3 Uji Keberartian untuk Fixed Effect Model (FEM) Data Panel

Prosedur pengujian model FEM data panel adalah sebagai berikut: a. Rumusan hipotesis

Ada tiga model yang akan di uji mengenai signifikansi dari parameternya: (i) Model Fixed Effect Model (FEM) yang pertama adalah menguji

signifikansi efek dari individu dengan hipotesis sebagai berikut:

0 ... : 1 2 ( 1) 0         _N : 1

 paling sedikit ada satu _i 0

(2.15) (ii) Model Fixed Effect Model (FEM) yang kedua adalah menguji

0 ... : 1 2 ( 1) 0        _T : 1

 paling sedikit ada satu _t 0

(2.16) (iii) Model Fixed Effect Model (FEM) yang ketiga adalah menguji signifikansi efek dari individu dan waktu dengan hipotesis sebagai berikut: 0 ... ... : 1 2 ( 1) 1 2 ( 1) 0             _N   _T : 1

 paling sedikit ada satu _i 0 atau _t 0

(2.17) b. Statistik uji

Statistik uji yang digunakan untuk menguji hipotesis diatas adalah sebagai berikut: ) 1 , , ( Re ~ _{ }  _{kn k} Galat gresi F KT KT F _ (2.18) c. Menetapkan keputusan

Hipotesis nol akan ditolak pada saat nilai F > F(,k,nk1)atau P-value < α

2.4 Uji Otokorelasi

2.4.1 Uji Otokorelasi untuk Data Time Series

Pada penelitian cross sectional, seperti rumah tangga (dalam analisis fungsi konsumsi) atau perusahaan-perusahaan (dalam sebuah analisis penelitian investasi) faktor kesalahan bisa jadi terjadi bukan hanya dari satu pengamatan melainkan dari beberapa pengamatan sehingga otokorelasi disebut otokorelasi spasial (spasial

autocorrelation), yaitu korelasi antar individu dan bukan antar waktu. Namun

demikian, situasi tampak sangat berbeda ketika berurusan dengan data time series, berhubung pengamatan pada data time series mengikuti urutan alamiah antar waktu sehingga pengamatannya secara berturut-turut sangat mungkin mengandung

otokorelasi, khususnya jika rentang waktu diantara pengamatan yang berurutan adalah rentang waktu yang pendek, seperti satu hari, satu minggu atau satu bulan dibandingkan satu tahun (Gujarati, 2013).

Menurut Hajarisman (2014) penyebab utama munculnya otokorelasi positif dalam galat pada data time seriesyang biasa terjadi dalam bidang ekonomi dan bisnis adalah tidak memasukkannya variabel penting ke dalam model. Pada saat variabel penting tidak dimasukkan ke dalam model maka galat akan cenderung berotokorelasi positif. Penyebab lainnya, banyak variabel yang dampak dan perubahannya terlihat bukan pada periode saat itu melainkan pada periode selanjutnya. Beberapa permasalahan yang timbul dari adanya masalah dalam autokorelasi ini adalah sebagai berikut:

1. Penaksir koefisien regresi masih tidak bias, tapi tidak lagi bervarians minimum dan bahkan sangat tidak efisien.

2. Rata-rata jumlah kuadrat residu merupakan taksiran bersifat bias ke bawah (underestimate) bagi varians galat.

3. Galat baku penaksir yang diperoleh melalui prosedur kuadrat terkecil biasa juga akan bias ke bawah (underestimate) dari galat baku yang sebenarnya dalam penaksir koefisien regresi.

4. Statistik uji t dan F, serta interval kepercayaan tidak lagi dapat diterapkan dengan tepat karena akan menghasilkan nilai dari statistik uji tersebut menjadi tinggi. Hal ini akan berdampak pada kesimpulan bahwa dugaan parameter koefisiennya lebih tepat dari yang sebenarnya, atau cenderung menolak ₀ meskipun seharusnya tidak ditolak, atau cenderung memutuskan1.

Selanjutnya, untuk mendeteksi adanya autotokorelasi dapat menggunakan metode grafik atau dengan menggunakan uji Durbin Watson untuk data time series.

Statistik uji Durbin Watson mengasumsikan bahwa model galat autoregresif, mempunyai nilai-nilai dari variabel bebas itu adalah tetap (fixed). Hipotesisnya dirumuskan sebagai berikut:

0 : 0 : 1 0      vs  (2.19)

Kemudian untuk menghitung statistik Durbin Watson digunakan rumus berikut:









     _n t t n t t t e e e DW 1 2 2 2 1 (2.20)

dimana e_t Y_t Yˆ_t dan n adalah banyaknya data yang digunakan.

Interpretasi yang tepat dari nilai statistik DW ini relatif sulit karena urutan komponen galat tidak hanya tergantung terhadap urutan e tapi juga terhadap urutan _t

semua nilai-nilai X. Dua nilai titik kritis (batas keputusan) diberikan dalam suatu gambar dan dinotasikan dengan dL dan dU. Kriteria keputusan untuk menguji hipotesis diatas dengan menggunakan statistik Durbin Watson dapat diringkas sebagai berikut: Tolak ₀ Bukti dari otokorelasi positif Zona tidak berkeputusan (zona kebimbangan) Zona kebimbangan Tolak * 0  Bukti dari otokorelasi negatif Jangan menolak₀ atau

* 0  ataupun keduanya 0 dL dU 2 4 – dU 4 – dL 4d Legenda : 0

 :Tidak ada otokorelasi positif

* 0

 : Tidak ada otokorelasi negatif

2.4.2 Uji Otokorelasi untuk Model FEM Data Panel

2.4.2.1 Uji Durbin Watson dan Uji LM

Model FEM data panel dengan pada Persamaan (2.6), jika terdapat otokorelasi dalam galat bentuk matriksnya dituliskan sebagai berikut:

𝒚_𝒊𝒕 = 𝑿_𝒊𝒕′ 𝜷 + 𝝁_𝒊′ + 𝜺_𝒊𝒕 ;𝝁_𝒊′ = 𝜶 + 𝝁_𝒊; 𝜺_𝒊𝒕= 𝝆𝜺_{𝒊,𝒕−𝟏}+ 𝒖_𝒊𝒕 (2.21) Dimana i = 1,…,N merupakan dimensi cross sectional dan t = 1,…,T merupakan dimensi time series.  _{berasosiasi dengan vektor parameter berukuran K}

x 1 dan _i adalah parameter fixed effect dari model. Model sampel dari Persamaan (2.21) adalah

𝒚_𝒊𝒕 = 𝑿_𝒊𝒕′ 𝜷 + 𝝁 _𝒊′ + 𝒆_𝒊𝒕 (2.22) Selanjutnya kita asumsikan 

 

it 0, 

 

it2 _2. Hal ini mengindikasikan

variabel dalam galat homogen. Asumsi lain yang harus diperhatikan adalah tidak adanya otokorelasi dalam galat dimana pengujiannya menggunakan Statistik Uji Durbin Watson (Born, B dan JÖrg B, 2010).

Bhargava dkk (1982) mengusulkan statistik uji Durbin Watson untuk model FEM data panel dengan perumusan hipotesis sama dengan Persamaan (2.19).

Dengan statistik uji:













        _N i T t i it N i T t t i it e e e e DW 1 1 2 1 2 2 1 ,  (2.23) dimana 



T_ t it i e e 1 1

Masalah serius dari uji ini adalah distribusi nol tergantung pada nilai N dan T, Oleh karena itu nilai-nilai penting yang disediakan tabel tergantung pada kedua

dimensi (Bhargava, dkk 1982). Selain itu, tidak ada nilai-nilai penting yang tersedia untuk panel yang tidak seimbang.

Baltagi dan Li (1991) memperoleh statistik uji LM dengan asumsi galat berdistribusi normal, dengan rumusan hipotesis sama seperti Persamaan (2.19). Hasil statistik uji ini ekuivalen dengan (LM version) statistik t dari dalam regresi

  _i it e e 



ei,t1ei,1



vit (2.24) dimana 











T_ t it i T e e 2 1 1 dan _ 











T_{ } t it i T e e 2 , 1 1 1 , 1

akan lebih mudah untuk menunjukkan vektor T x 1. 𝒆𝒊= 𝒆𝒊𝟏, … , 𝒆𝒊𝑻 dan matriks

𝑴_𝟎= 𝟎, 𝑴_𝑻−𝟏 dan𝑴_𝟏 = 𝑴_𝑻−𝟏, 𝟎 (2.25) Dimana𝑴𝑻−𝟏 = 𝑰𝑻−𝟏− 𝑇 − 1 −1𝜾𝑻−𝟏𝜾𝑻−𝟏′ dan 𝜾𝑻−𝟏adalah vektor satu berukuran

(T - 1) x 1.

Statistik uji LM ditulis sebagai berikut:

                  







   N i i i N i i i N i i i NT e M M e e M M e T e M M e LM 1 1 ' 1 ' 1 0 ' 0 ' 2 1 1 ' 0 ' 1 (2.26)

dimana 𝑀 = 𝑇−1 𝑵𝒊=𝟏𝒆_𝒊′𝑴_𝟎′ 𝑴𝟎𝒆𝒊 adalah penaksir untuk

2



 dibawah hipotesis noll. Baltagi dan Li (1995) menunjukkan bahwa jika N _dan T , Statistik uji LM mengikuti distribusi 2(1). Akan tetapi, jika T fixed dan N, statistik uji

tidak mengikuti distribusi 2 karena penaksir kuadrat terkecil akan bias terhadap  (Nickell, 1981).

2.4.2.2 Uji Modifikasi Durbin Watson

Statistik uji pada Persamaan (2.23) yang diusulkan oleh Bhargava, dkk (1982) adalah rasio dari jumlah kuadrat pembedaan dan jumlah kuadrat galat. Statistik uji Durbin Watson didasarkan pada kombinasi linier antara pembilang dan penyebut:

𝜹_𝑻𝒊 = 𝜺_𝒊′𝑴𝑫′_𝑫𝑴𝜺

𝒊− 𝟐𝜺𝒊′𝑴𝜺𝒊 (2.27)

Dimana = 𝑰𝑻− 𝜾𝑻𝜾𝑻′ ,𝜾𝑻 adalah vektor satu berukuran Tx1, dan D adalah

matriks produk pembedaan pertama berukuran (T-1) x T

                    1 1 0 0 1 1 0 0 0 1 1    D

Menggunakan 𝑡𝑟 𝑴𝑫′𝑫𝑴 = 2 𝑇 − 1 dan 𝑟 𝑴 = 𝑇 𝑇 − 1 . Akan lebih mudah untuk memverifikasi bahwa 

 

_Ni 0 untuk semua i. untuk lebih lanjutnya,













 

2



2



1 1 , 2 2 _{it i i i iT i} t i it Ti e e e e  e e  e e      _{ }    _ 



 (2.28) Oleh karena itu, untuk lebih jelasnya uji ini dihubungkan dengan uji LM yang diusulkan oleh Baltagi dan Li (1999). Perbedaanya terletak pada penyesuaian bias pada order pertama autokovarians. Untuk mengurangi bias maka statistik uji yang digunakan sebagai berikut:



  N i Ti NT N s 1 * ˆ 1 _   _(2.29) dimana













                   





    2 1 1 , 2 * 2 2 T t i it i t i t i it Ti e e T e e e e  (2.30) dan 2 1 1 * 2 * 2 1 1 ˆ





          N i N I Ti Ti N N s   (2.31) Statistik uji MDW pada Persamaan (2.29) digunakan untuk menguji hipotesis seperti pada Persamaan (2.19). Adapun kriteria ujinya adalah hipotesis nol akan ditolak apabila statistik uji MDW pada Persamaan (2.29) lebih besar dari nilai kritis.

Bhargava menyajikan nilai kritis untuk statistik uji MDW dengan taraf signifikansi 0.05 untuk N



25,50



dan T



10,20,30,50



tersaji pada Tabel 2.4.

Tabel 2.4 Nilai Kritis untuk Uji Modifikasi Durbin Watson

Modifikasi Durbin Watson (MDW) N T 25 10 0.064 20 0.054 30 0.066 50 0.066 50 10 0.062 20 0.067 30 0.065 50 0.063

2.5 Model FEM Terbaik

Untuk menentukan model terbaik dapat dilihat dari nilai kuadrat tengah galat (KTG) atau means square error (MSE) yang terkecil. Karena KTG menunjukan besarnya kekeliruan dalam model. Semakin besar nilai KTG semakin besar kekeliruan, sebaliknya semakin kecil nialai KTG maka semakin kecil kekeliruannya.

2.5 PDRB dan Ekspor

Dalam produksi Domestik Bruto (PDB) pada tingkat nasional serta Produksi Domestik Regional Bruto (PDRB) pada tingkat regional (provinsi) menggambarkan kemampuan suatu wilayah untuk menciptakan output (nilai tambah) pada suatu waktu tertentu. Barang-barang yang dihasilkan termasuk barang modal yang belum diperhitungkan penyusutannya, karenanya jumlah yang didapatkan dari PDRB dianggap bersifat bruto/kotor. Perubahan PDRB pada tiap periode atau tahun menunjukkan pertumbuhan perekonomian suatu wilayah atau negara. PDRB dipengaruhi oleh beberapa faktor diantaranya ekspor, investasi, belanja pemerintah dan lain-lain.

Ekspor barang dan jasa merupakan transaksi perdagangan barang dan jasa dari dalam negeri ke luar negeri. Eskpor barang terjadi pada saat terjadi perubahaan hak kepemilikan barang antara penduduk Indonesia dengan bukan penduduk Indonesia (dengan atau tanpa perpindahan fisik barang tersebut).

Indonesia sebagai salah satu negara berkembang, menganut sistem perekonomian terbuka dimana lalu lintas perekonomian internasional sangat penting dalam perekonomian dan pembangunan nasional. Pembangunan ekonomi mensyaratkan bahwa kesejahteraan penduduk harus meningkat, dan salah satu ukuran dari peningkatan kesejahteraan tersebut adalah adanya pertumbuhan ekonomi (Hakim,2002).

Hubungan antara ekspor dan pertumbuhan ekonomi dalam waktu belakangan ini sudah menjadi perhatian berbagai kalangan. Perdagangan internasional khususnya ekspor diyakini merupakan lokomotif penggerak dalam pertumbuhan ekonomi. Ekspor merupakan agregat output yang sangat dominan dalam perdagangan internasional. Suatu

negara tanpa adanya jalinan kerjasama dengan negara lain akan sulit untuk memenuhi kebutuhannya sendiri.

Pengutamaan ekspor bagi Indonesia sudah digalakkan sejak tahun 1983. Semenjak saat itu ekspor menjadi perhatian dalam memacu pertumbuhan ekonomi seiring dengan berubahnya strategi industrialisasi dari penekanan pada industri substitusi impor ke industri promosi ekspor. Ekspor memiliki peran yang penting dalam waktu-waktu mendatang, apalagi dengan digulirkannya perundingan-perundingan WTO menuju perdagangan dunia tanpa hambatan (Basri, 2002).